Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PERSONAL DIRECTIVO
Citar como:
Lavado-Casimiro, W. S., Aybar, C., Huerta, A., Sabino, E., Zevallos,
J. & Felipe-Obando O. (2016). Generación de datos grillados de
precipitación diaria (PISCO Pd 1981-2015) y su utilidad para la
estimación de umbrales de precipitaciones máximas. Servicio
Nacional de Meteorología e Hidrología del Perú (SENAMHI).
Estudio de la Dirección de Hidrología.
Lima-Perú
Diciembre 2016
DIRECCIÓN DE HIDROLOGÍA 2
CONTENIDO
I. ANTECEDENTES ................................................................................................................ 5
DIRECCIÓN DE HIDROLOGÍA 3
Generación de datos grillados de precipitación diaria (PISCO Pd 1981-
2015) y su utilidad para la estimación de umbrales de precipitaciones
máximas.
RESUMEN
DIRECCIÓN DE HIDROLOGÍA 4
I. ANTECEDENTES
En este contexto, los productos de estimación de precipitación por satélites tal como
CHIRP proporcionan una fuente alternativa de información de precipitación en zonas
donde esta es inexistente o es espacialmente mal distribuida. Sin embargo, a menudo
muestran una alta incertidumbre y un rendimiento pobre cuando son comparados con
observaciones de pluviómetros (Stisen & Tumbo, 2015).
DIRECCIÓN DE HIDROLOGÍA 5
II. DATOS DE INGRESO PARA PISCO Pd
Los datos de las EC fueron sometidos a un proceso de control de calidad. Así, para cada
EC se realizó un proceso de búsqueda de las estaciones más cercanas tomando en cuenta
un radio de 20 km, quedándonos con las 3 estaciones más cercanas para realizar en una
primera fase un control visual comparativo de la información; de no existir estaciones
para realizar la comparación solo se evaluará la consistencia de su serie basado en su
propia climatología con los datos disponibles. Una vez que el registro es óptimo
procedemos a analizar la fiabilidad de los datos atípicos encontrados, para ello
comparamos todos los valores de la serie con la precipitación de 200 años de período de
retorno (T) para dicha estación y de las 3 estaciones cercanas. Si el valor atípico
observado se representa por lo menos en una estación el valor es conservado, si no se
cumple dicha condición el valor es removido de la base de datos. Este criterio se aplicó
para todas las estaciones utilizadas.
DIRECCIÓN DE HIDROLOGÍA 6
información disponible en el período 1981-2015. Finalmente, se utilizaron 339
estaciones completas para realizar la generación del producto PISCO Pd.
Figura 1 a) Distribución de la cantidad de datos por cada día desde el 1 de Enero de 1981 al 31 de
Diciembre del 2015; b) Distribución espacial de las estaciones pluviométricas a nivel nacional.
La información satelital fue obtenida del Climate Hazards group Infrared Precipitation
(CHIRP, Funk et al., 2015), este es un producto de estimación de precipitación por
satélite basado en un algoritmo que mezcla variables predictoras (CHPclim),
precipitación generada a través del Cold Cloud Duration (Mcdougall & Dugdale, 1994)
y climatología del lugar, que da como resultado el producto CHIRP generado a paso
décadiario, para la generación de CHIRP a paso diario este es desagregado en función a
los datos de reanalisis Coupled Forecast System (CFS) versión 2.
Previamente para utilizar el producto CHIRP, se realizó una validación de la misma en
el período 1981-2015 considerando el verano austral (Diciembre a Febrero, DEF), el
invierno austral (Junio a Agosto, JJA) considerados los trimestres húmedos y secos en el
Perú así como también para las series completas. Los estadísticos utilizados fueron el
coeficiente de correlación para medir la sincronización entre las series y el sesgo
(“bias”) para ver la sobre o subestimación del CHIRP con respecto a las ECs.
La Figura 2, muestra espacialmente estos estadísticos y se puede observar que para la
sincronización de los valores estos son mayormente (coeficiente de correlación) estos
DIRECCIÓN DE HIDROLOGÍA 7
son a nivel nacional significativos a excepción de algunas estaciones cercanas al mar en
la costa, en cuanto al coeficiente de correlación globalmente este es mayor en DEF y
menor en la temporada seca JJA, 0.55 y 0.35 respectivamente.
En cuanto al sesgo, se observa que el CHIRP sobreestima las lluvias sobre todo en la
vertiente del Pacífico focalizado en la costa central y sur y cerca al mar. Mientras que en
el resto del país se observa una sobreestimación de las lluvias.
En base a estos estadísticos de comparación se puede concluir que el CHIRP es una
covariable comparable con las lluvias de las ECs y puede ser utilizada para la
generación de los productos mezclados, siempre y cuando se tenga los cuidados del caso
en regiones donde presenta malas performances.
DIRECCIÓN DE HIDROLOGÍA 8
III. ESTIMACIÓN DE PISCO - Pd
DIRECCIÓN DE HIDROLOGÍA 9
preliminar, Pd) obteniendo así los datos diarios grillados finales, PISCO Pd
(PRODUCTO FINAL en la Figura 3).
Metodología Pd v1.0
Datos
Espacial
Para
c/día PISCO/Prec_diaria
S Validación
I VAR. cruzada
Log (x+1) R G SI Error Cuadratico SI KED
95 Medio
%
CHIRPS
NO Métodos de
NO Interpolación
R-IDW
IDW
Preliminar M Preliminar
Pdm Pd
PISCO Pm/Pdm si
MENSUAL Factor Pd>0;
Pm 1 si Pd=0 Producto Final
VE refleja la distancia máxima y la forma en que un punto tiene
influencia sobre otro punto a diferentes distancias
Figura 3. Flujograma de generación producto PISCO precipitación diaria versión 1. SIG es significancia
estadística, Pdm es precipitación acumulada mensual preliminar, Pd es precipitación diaria preliminar, Pm
es el producto mensual final.
DIRECCIÓN DE HIDROLOGÍA 10
CHIRP IDW PISCO Pd
DIRECCIÓN DE HIDROLOGÍA 11
Pacífico RMSE pasa de 23 a 1.9, en la vertiente del Amazonas de 35.8 a 3.3 y en la vertiente del
Titicaca de 21.6 a 4.2. Demostrándose la utilidad del PISCO Pd para realizar caracterizaciones
espacio temporales de precipitaciones. Así, PISCO Pd ya puede ser utilizado para determinar
umbrales de precipitación.
Figura 5. Resultados de la validación independiente expresado con el estadístico raíz del error cuadrático
medio (RMSE). Gráficos de dispersión entre los valores satelitales del producto CHIRP (parte superior) y
el producto PISCO Pd (parte inferior) versus datos observados por vertiente hidrográfica. Mapa de la
parte superior derecha son las vertientes hidrográficas en Perú y mapa de la parte inferior izquierda son
estaciones seleccionadas para la validación independiente (triángulos rojos), en el período 2014-2015.
i) Se consideran solo los valores de precipitación que son mayores a 0.01 mm.
ii) Los valores más extremos son retirados para evitar la influencia de valores
atípicos, en nuestro caso antes de estimar los umbrales se retiraron los
valores por encima del percentil 99 considerando los datos tomados en i.
iii) Se estiman los percentiles de 75, 90, 95 y 99% (p75, p90, p95 y p99), ya que
estos permitirán categorizar extremos de precipitación desde
DIRECCIÓN DE HIDROLOGÍA 12
extremadamente lluvioso (valores mayores a p99); muy lluvioso (valores
mayores a p95 y menores a p99); lluviosos (valores mayores a p90 y
menores a p95) y moderadamente lluvioso (valores mayores a p75 y
menores a p90).
Para estimar los umbrales en una primera fase se utilizó la información observada de
datos de estaciones climatológicas de larga duración (1970-2015), se seleccionaron 187
estaciones a nivel nacional (ver Figura 6). Estas estaciones fueron seleccionadas por
tener un control de calidad y presentar al menos 95% de datos en el período y se
observa que en su mayoría estas estaciones son bien distribuidas en la vertiente del
Pacífico y del lago Titicaca y pobremente distribuidas en la vertiente del Amazonas. En
estas EC se estimaron los valores de umbrales de extremos para los percentiles de 75,
90, 95 y 99 para la duración de lluvia de un día.
Así, la Figura 7 muestra los valores de umbrales para p75, p90, p95 y p99 para cada una
de las estaciones. Como es de esperarse se observa que los valores de los percentiles se
incrementan acorde como se incrementan sus valores. Espacialmente los mayores
valores de umbrales de precipitación están localizados en la selva peruana (parte norte
donde existen más ECs) y en la parte norte de la vertiente del Pacífico (explicada por ser
la zona más impactada por el Fenómeno de El Niño) mientras los valores más bajos se
dan en la vertiente del Pacífico sobre todo en la parte sur de esta vertiente.
DIRECCIÓN DE HIDROLOGÍA 13
correlaciones espaciales, lo que llevo a tener buenos variogramas experimentales. Así,
la Figura 9 muestras los mapas de umbrales de p70, p90, p95 y p99 a nivel nacional y
en formato de grillas (ráster). Como se puede observar estos mapas recogen los patrones
espaciales presentados en las Figuras 7 y 8.
Figura 6. Distribución espacial de las 187 estaciones climatológicas utilizadas para la determinación de
umbrales (1970-2015).
DIRECCIÓN DE HIDROLOGÍA 14
Figura 7. Mapas de umbrales de precipitación máxima para un día de duración para cada estación
climatológica de la Figura 6 a) Mapa de percentil 75, b) Mapa de percentil 90, c) Mapa de percentil 95 y
d) Mapa de percentil 99.
DIRECCIÓN DE HIDROLOGÍA 15
Figura 8. Mapa de precipitación máxima maximorum de PISCO Pd (1981-2015).
DIRECCIÓN DE HIDROLOGÍA 16
a) b)
c) d)
Figura 9. Mapa de umbrales grillados a nivel nacional generados al combinar umbrales de estaciones
climatológicas de largo período de información (1970-2015) ver Figura 7 y el mapa de precipitación
máximo maximorum de PISCO Pd (1981-2015) ver Figura 8 a) Mapa de percentil 99, b) Mapa de
percentil 95, c) Mapa de percentil 90 y d) Mapa de percentil 75. Círculos (Buffer), representan la
confiabilidad de las interpolaciones.
DIRECCIÓN DE HIDROLOGÍA 17
VI. RESUMEN GENERAL, LIMITACIONES Y USO A CORTO PLAZO
Por primera vez en el Perú, se ha desarrollado un producto grillado de precipitación
diaria a nivel nacional que comprende el periodo 1981-2015 utilizando técnicas
geoestadísticas y que combina datos de estaciones climatológicas con el producto
grillado CHIRP, denominado PISCO Pd (PISCO precipitación diaria). Este producto es
parte de los subproductos de PISCO (“Peruvian Interpolate data of the SENAMHI’s
Climatological and hydrological Observations” por sus siglas en ingles) que ya ha
desarrollado el producto de precipitación mensual que es utilizado actualmente para el
monitoreo de sequías (http://www.peruclima.pe/?p=Indicadores-de-sequias).
Los datos de PISCO Pd así como sus niveles de confiabilidad espacial y los umbrales
determinados estarán próximamente de libre disponibilidad en la página web de la
institución (www.peruclima.pe).
Figura 10. Izquierda mapa de precipitación acumulada diaria y Derecha mapa de potenciales peligros en
base a umbrales de precipitaciones extremas, para el 28 de Noviembre del 2016.
DIRECCIÓN DE HIDROLOGÍA 19
VII. BIBLIOGRAFÍA
Alfaro-Lozano Luis (2014). Estimación de umbrales de precipitaciones
extremas para la emisión de avisos meteorológicos. Nota Técnica 001.
SENAMHI-DGM-2014.
Almazroui M. (2011). Calibration of TRMM rainfall climatology over
Saudi Arabia during 1998-2009. Atmospheric Research 99 (3-4): 400-
414 doi: 10.1016/j.atmosres.2010.11.006
Andres N, Vegas Galdos F, Lavado Casimiro WS, Zappa M. (2014).
Water resources and climate change impact modelling on a daily time
scale in the Peruvian Andes. Hydrological Sciences Journal 59 (11):
2043-2059 doi: 10.1080/02626667.2013.862336
Ayre M, Nettle R. (2015). Doing integration in catchment management
research: Insights into a dynamic learning process. Environmental
Science and Policy 47: 18-31 doi: 10.1016/j.envsci.2014.10.011
Carey M, Baraer M, Mark BG, French A, Bury J, Young KR, McKenzie
JM. (2014). Toward hydro-social modeling: Merging human variables
and the social sciences with climate-glacier runoff models (Santa River,
Peru). Journal of Hydrology 518 (PA): 60-70 doi:
10.1016/j.jhydrol.2013.11.006
Chappell A, Renzullo LH, Raupach TJ, Haylock M. (2013). Evaluating
geostatistical methods of blending satellite and gauge data to estimate
near real-time daily rainfall for Australia. Journal of Hydrology 493:
105-114 doi: 10.1016/j.jhydrol.2013.04.024
Funk C, Peterson P, Landsfeld M, Pedreros D, Verdin J, Shukla S, Husak
G, Rowland J, Harrison L, Hoell A, et al. (2015). The climate hazards
infrared precipitation with stations — a new environmental record for
monitoring extremes: 1-21 doi: 10.1038/sdata.2015.66
Ioris AAR. (2012). The neoliberalization of water in Lima, Peru.
Political Geography 31 (5): 266-278 doi: 10.1016/j.polgeo.2012.03.001
Kuznetsov M, Yakirevich A, Pachepsky YA, Sorek S, Weisbrod N.
(2012). Quasi 3D modeling of water flow in vadose zone and
DIRECCIÓN DE HIDROLOGÍA 20
groundwater. Journal of Hydrology 450-451: 140-149 doi:
10.1016/j.jhydrol.2012.05.025
Lasage R, Muis S, Sardella CSE, van Drunen MA, Verburg PH, Aerts
JCJH. (2015). A Stepwise, participatory approach to design and
implement community based adaptation to drought in the Peruvian
Andes. Sustainability (Switzerland) 7 (2): 1742-1773 doi:
10.3390/su7021742
Mantas VM, Liu Z, Caro C, Pereira AJSC. (2015). Validation of TRMM
multi-satellite precipitation analysis (TMPA) products in the Peruvian
Andes. Atmospheric Research 163: 132-145 doi:
10.1016/j.atmosres.2014.11.012
Mcdougall VD, Dugdale G. (1994). Experience of the Tamsat Group in
West Africa
Stisen S, Tumbo M. (2015). Interpolation of daily raingauge data for
hydrological modelling in data sparse regions using pattern information
from satellite data. Hydrological Sciences Journal (March 2015): 1-16
doi: 10.1080/02626667.2014.992789
Thouret JC, Enjolras G, Martelli K, Santoni O, Luque JA, Nagata M,
Arguedas A, MacEdo L. (2013). Combining criteria for delineating
lahar-and flash-flood-prone hazard and risk zones for the city of
Arequipa, Peru. Natural Hazards and Earth System Science 13 (2): 339-
360 doi: 10.5194/nhess-13-339-2013.
DIRECCIÓN DE HIDROLOGÍA 21